基于多任务迁移学习的血压估计方法

本发明涉及血压测量，具体为基于多任务迁移学习的血压估计方法。背景技术：1、在我国，高血压不仅是患病人数最多的慢性非传染性疾病，也是导致居民心血管疾病发病和死亡风险增加的危险因素。血压测量是评估血压水平、诊断高血压以及观察降压疗效的根本手段和方法，定期监测血压对于高血压的防治至关重要。日常的血压监测通常使用袖带式的电子血压计，测量过程需要对袖带充气压迫动脉血管使其封闭，通过传感器测得血压值。因此每次测量需间隔至少两分钟，无法满足连续血压监测的需求，同时袖带的存在以及充放气阶段对手臂产生的作用力使人体在测量时体验感不佳。2、光电容积描记(photop l ethysmography,ppg)是一种非侵入式的光学生物监测技术，通过led和光敏二极管记录由心脏舒缩活动引起皮肤下微血管组织中血容量的变化来获得脉搏波，可以提供与人体心动、血液循环过程密切相关的心血管系统和交感神经系统等多个人体子系统的工作状态、组织活动和功能特性等丰富有益的临床信息。ppg由于成本较低、可小型化、便携易用且无创等特点，在可穿戴医疗健康设备消费市场得到广泛应用。3、在现有的技术中，许多方法通过结合心电图(e l ectrocard i ogram,ecg)或采集多点位的ppg信号来提取脉搏波传导时间，再进行物理建模估计血压值。但时延的提取具有不可消除的不确定性，并且模型需要依托常见的阻塞方法进行周期性校准。此外，很多方法通过对脉搏波波形进行分析来估计血压，选取具有特定物理意义的特征，基于传统的机器学习算法或者浅层人工神经网络，将提取的特征与血压值进行拟合。但手工特征提取需要大量相关知识为基础来设计特征，具有主观性，限制了神经网络的特征提取和非线性处理能力。而且特征的提取较为繁琐，易受各种因素影响。4、采用深度学习的方法通过数据驱动方式将信号特征提取和输入输出关系的构建融合起来，可以一定程度上避免人工选取特征的弊端，学习到适合血压估计这一特定任务的深度信号特征提取方式。基于公共数据集对模型进行训练，可以得到血压估计的通用模型，获得较为准确的血压估计值。但人群的个体差异和公开数据集整体和单一个体之间的数据分布差异，都可能影响模型在目标个体的性能。而且单一个体的数据量通常比较有限，难以充分训练深度学习神经网络模型。技术实现思路1、针对现有技术的不足，本发明提供了基于多任务迁移学习的血压估计方法，采用轻量化的混合神经网络模型提取ppg信号的深层特征、实现血压的估计，使用迁移学习的方法实现模型的个性化，并在预训练阶段让模型进行多任务学习，同时估计血压值和动脉血压(arter i a l b l ood pressure,abp)波形信号。其中，血压值是指收缩压(systo l ic b l ood pressure,sbp)和舒张压(di asto l i c b l ood pressure,dbp)。2、为实现以上目的，本发明通过以下技术方案予以实现：基于多任务迁移学习的血压估计方法，包括以下步骤：3、获取包含ppg信号和abp信号的人体数据；4、对所述人体数据进行预处理，以获得用于训练血压估计模型的训练数据；5、构建混合神经网络模型，该模型配置为执行多任务学习；6、使用所述训练数据，对构建的混合神经网络模型进行预训练，其中，估计sbp、dbp值作为主任务，估计abp信号作为辅助任务；7、获取目标个体的ppg信号和同时采集的sbp、dbp值，对所述预训练得到的混合神经网络模型进行针对目标个体特征的微调；8、将目标个体的ppg信号输入所述微调后的混合神经网络模型，以估计目标个体的sbp、dbp值。9、优选的，所述预处理步骤，包括以下步骤：10、对获取的ppg信号进行滤波，去除基线漂移和高频噪声；11、将ppg信号和abp信号进行时间窗分段处理；12、对每个时间序列片段实施自相关函数分析，以排除异常数据；13、从abp信号中提取出各个片段的sbp、dbp值，并去除血压值异常的数据片段；14、对ppg信号和abp信号进行降采样操作，并对降采样后的ppg信号、abp信号及对应的sbp、dbp值进行归一化处理。15、优选的，所述混合神经网络模型包括：16、堆叠卷积模块，配置有多个卷积层，用于从输入的ppg时间序列中提取局部化的特征；17、门控循环单元(gate recurrent unit,gru)模块，通过更新门和重置门机制捕捉并传递ppg时间序列中的长期依赖关系；18、注意力机制(attent ion)模块，并行配置于gru模块，用于增强模型对长期时间依赖性特征的识别能力，并通过动态权重分配减少信号噪声的影响；19、血压波形估计模块和血压值估计模块，根据前述模块提取的特征来进行abp信号和sbp、dbp值的最终估计，分别通过线性层和卷积层将提取的特征转化为具体的血压数值。20、优选的，所述混合神经网络模型的预训练步骤，包括以下步骤：21、使用ppg序列作为输入，通过混合神经网络模型输出相应的abp信号和sbp、dbp值；22、设定多任务学习框架，其中主任务为基于ppg信号预测sbp、dbp值，辅助任务为根据ppg信号重建abp信号；23、应用mse作为损失函数，分别计算abp信号重建和sbp、dbp值估计的误差，并对两个任务的损失进行加权组合，以形成综合损失函数；24、初始化混合神经网络模型的参数，并使用来自多个个体的ppg信号和abp信号的训练数据集进行训练。25、优选的，所述预训练步骤还包括早退机制，为防止模型过拟合，如果验证集上的损失在连续10个训练周期内未见改善，则提前终止训练。26、优选的，对所述预训练得到的混合神经网络模型进行针对目标个体特征的微调步骤，包括以下步骤：27、加载预训练得到的混合神经网络模型，其中所述模型的参数被用作微调步骤中的初始参数；28、使用目标个体的人体数据对该网络模型进行训练，其中训练过程只对所选择的网络层进行参数更新，以适应目标个体的特定信号特征，而保持其他网络层的参数不变。29、优选的，所述特定网络层为用于提取特征的堆叠卷积层的最后一层和用于估计血压值的堆叠卷积模块。30、优选的，所述将目标个体的ppg信号输入所述微调后的混合神经网络模型，以估计目标个体的血压值步骤，包括以下步骤：31、配置微调后的混合神经网络模型以实时处理和分析目标个体的ppg信号；32、对ppg信号进行预处理，以适应网络模型的输入要求；33、利用微调后的模型计算并输出目标个体的sbp和dbp值。34、本发明提供了基于多任务迁移学习的血压估计方法。具备以下有益效果：35、1、本发明基于ppg信号实现血压估计，具有采集方式便捷、体验舒适和设备便携等优势，可有效弥补传统方法有创、阻塞、不便携不可穿戴等不足；便于人群开展时常的血压监测，及时掌握自身健康状态；有助于与高低血压有关疾病的预防、诊治和管理。36、2、本发明针对目标个体训练得到其特定的个性化血压估计模型，可以降低个体差异和数据分布差异的影响，提高血压估计的准确性，为个体的健康管理和疾病诊断提供更为可靠的支持。个性化模型能够更好地捕捉个体血压的长期变化趋势，有助于长期健康监测和疾病管理。37、3、本发明设计的混合深度学习神经网络模型，将卷积、gru和注意力机制相结合，可以实现不同层次和角度的信息整合，提高模型对生理信号的理解能力，有效提取ppg信号时间序列的深层特征，学习到适合血压估计这一特定任务的深度信号特征提取方式，从而提高对血压估计的性能。38、4、基于迁移学习实现模型的个性化，可有效解决单个个体数据有限的问题。在预训练阶段让模型同时估计血压波形和血压值，进行多任务学习，使模型能够得到充分训练。而在微调阶段，只需要目标个体的ppg信号和血压值作为训练数据完成模型的个性化，具有较为广阔的应用场景和较大的现实意义。